【连续介质力学】二阶张量的图像表示

二阶张量在特定方向的投影

法向和切向分量

二阶张量T投影到 n ^ \hat n n^方向的结果是 t ⃗ ( n ^ ) = T ⋅ n ^ \vec t^{(\hat n)}=T \cdot \hat n t (n^)=Tn^,其中 t ⃗ ( n ^ ) \vec t^{(\hat n)} t (n^)可以分解成:
t ⃗ ( n ^ ) = T ⃗ N + T ⃗ S \vec t^{(\hat n)}=\vec T_N+\vec T_S t (n^)=T N+T S
其中, T ⃗ N \vec T_N T N是法向量, T ⃗ S \vec T_S T S是切向量
在这里插入图片描述

如果记 n ^ \hat n n^ s ^ \hat s s^ T ⃗ N \vec T_N T N T ⃗ S \vec T_S T S方向的单位向量,那么可以表示成:
t ⃗ ( n ^ ) = T N n ^ + T S s ^ \vec t^{(\hat n)}=T_N\hat n+T_S\hat s t (n^)=TNn^+TSs^
其中, T N T_N TN T S T_S TS T ⃗ N \vec T_N T N T ⃗ S \vec T_S T S的大小

向量 T ⃗ N \vec T_N T N如下所示:
在这里插入图片描述
因此:
T N = t ⃗ ( n ^ ) ⋅ n ^ = n ^ ⋅ T ⋅ n ^ = n ^ k T k j n ^ j T_N = \vec t^{(\hat n)}\cdot \hat n=\hat n \cdot T \cdot \hat n=\hat n_kT_{kj}\hat n_j TN=t (n^)n^=n^Tn^=n^kTkjn^j

之前有讨论过,若对于所有的 n ^ ≠ 0 \hat n \neq 0 n^=0,有 T N = n ^ ⋅ T ⋅ n ^ > 0 T_N=\hat n \cdot T\cdot \hat n>0 TN=n^Tn^>0,则 T T T是正定张量,并且可以表示成: T N = n ^ ⋅ T ⋅ n ^ = n ^ ⋅ T s y m ⋅ n ^ T_N = \hat n \cdot T \cdot \hat n=\hat n \cdot T^{sym} \cdot \hat n TN=n^Tn^=n^Tsymn^

所以,如果一个张量的对称部分是正定的,那么这个张量也是正定的

向量 T ⃗ S \vec T_S T S可以表示成:
在这里插入图片描述
也可以表示成如下所示:
T ⃗ S = t ⃗ ( n ^ ) − T ⃗ N = T ⋅ n ^ − [ T : ( n ^ ⨂ n ^ ) ] n ^ \vec T_S = \vec t^{(\hat n)}-\vec T_N=T\cdot \hat n-[T:(\hat n \bigotimes \hat n)]\hat n T S=t (n^)T N=Tn^[T:(n^n^)]n^

T ⃗ S \vec T_S T S的大小可以由勾股定理得到:
在这里插入图片描述
其中: t i ( n ^ ) t i ( n ^ ) = T i j T i k n j n k t_i^{(\hat n)}t_i^{(\hat n)}=T_{ij}T_{ik}n_jn_k ti(n^)ti(n^)=TijTiknjnk

思考:在哪个平面才是最大的法向和切向分量?

问题A.1 证明 T ⃗ S = t ⃗ ( n ^ ) ⋅ ( 1 − n ^ ⨂ n ^ ) \vec T_S = \vec t^{(\hat n)}\cdot (1-\hat n\bigotimes \hat n) T S=t (n^)(1n^n^),其中 t ⃗ ( n ^ ) \vec t ^{(\hat n)} t (n^)就是二阶张量 T T T投影到方向 n ^ \hat n n^的结果, T ⃗ S \vec T_S T S是切向向量

在这里插入图片描述

法向分量的最大和最小值

法向分量为 T N = n ^ ⋅ T ⋅ n ^ T_N = \hat n\cdot T \cdot \hat n TN=n^Tn^,满足 n ^ ⋅ n ^ = 1 \hat n \cdot \hat n = 1 n^n^=1约束条件。那么求在这个约束条件下 T N T_N TN的最大最小值可以使用拉格朗日乘子法:
L ( n ^ , μ ) = T N − μ ( n ^ ⋅ n ^ − 1 ) = n ^ ⋅ T ⋅ n ^ − μ ( n ^ ⋅ n ^ − 1 ) \mathcal{L}(\hat n, \mu)=T_N-\mu (\hat n \cdot \hat n-1)=\hat n\cdot T \cdot \hat n-\mu (\hat n \cdot \hat n-1) L(n^,μ)=TNμ(n^n^1)=n^Tn^μ(n^n^1)
其中, μ \mu μ是拉格朗日乘子,那么函数 L \mathcal{L} L关于 μ \mu μ n ^ \hat n n^的导数为:
在这里插入图片描述
第一行有解当且仅当 det ⁡ ( T s y m − 1 ) = 0 \det(T^{sym}-1)=0 det(Tsym1)=0,这是关于张量T的对称部分的特征值问题。

也就是说, T N T_N TN的最大最小值问题跟 T s y m T^{sym} Tsym的特征值相关。

现在,假设有 T 1 s y m , T 2 s y m , T 3 s y m T_1^{sym}, T_2^{sym}, T_3^{sym} T1symT2symT3sym作为 T s y m T^{sym} Tsym的特征值,那么可以重组这些值为:
T I s y m > T I I s y m > T I I I s y m T_I^{sym}>T_{II}^{sym}>T_{III}^{sym} TIsym>TIIsym>TIIIsym
那么, T N T_N TN的最大值记为 T I s y m T_I^{sym} TIsym, 最小值记为 T I I I s y m T_{III}^{sym} TIIIsym

NOTE: 反对称部分在法向量中不起作用,因为 T N = n ^ ⋅ T ⋅ n ^ = n ^ ⋅ T s y m ⋅ n ^ T_N = \hat n \cdot T \cdot \hat n = \hat n \cdot T^{sym} \cdot \hat n TN=n^Tn^=n^Tsymn^

切向分量的最大最小值

为了方便,将在T的主空间讨论,分量表示为法向分量
在这里插入图片描述
那么,方向 n ^ \hat n n^的法向分量 T N T_N TN,如下所示:
T N = t i ( n ^ ) n ^ i = T i j n ^ i n ^ j = T 1 n ^ 1 2 + T 2 n ^ 2 2 + T 3 n ^ 3 2 T_N=t_i^{(\hat n)}\hat n_i=T_{ij}\hat n_i\hat n_j=T_1\hat n_1^2+T_2\hat n_2^2+T_3\hat n_3^2 TN=ti(n^)n^i=Tijn^in^j=T1n^12+T2n^22+T3n^32

在特定的方向 n ^ i = [ 1 , 0 , 0 ]    ⟹    T N = T i \hat n _i= [1, 0, 0] \implies T_N=T_i n^i=[1,0,0]TN=Ti

切向分量如下所示:
T S 2 = ∣ ∣ t ⃗ ( n ^ ) ∣ ∣ 2 − T N 2 = t i ( n ^ ) t i ( n ^ ) − T N 2 = T i j T i k n ^ j n ^ k − T N 2 T_S^2=||\vec t^{(\hat n)}||^2-T_N^2=t_i^{(\hat n)}t_i^{(\hat n)}-T_N^2=T_{ij}T_{ik}\hat n_j\hat n_k-T_N^2 TS2=∣∣t (n^)2TN2=ti(n^)ti(n^)TN2=TijTikn^jn^kTN2

代入 T N = t i ( n ^ ) n ^ i = T i j n ^ i n ^ j T_N=t_i^{(\hat n)}\hat n_i=T_{ij}\hat n_i\hat n_j TN=ti(n^)n^i=Tijn^in^j,有:
T S 2 = T 1 2 n 1 2 + T 2 2 n 2 2 + T 3 2 n 3 2 − ( T 1 n ^ 1 2 + T 2 n ^ 2 2 + T 3 n ^ 3 2 ) 2 T_S^2=T_1^2n_1^2+T_2^2n_2^2+T_3^2n_3^2-(T_1\hat n_1^2+T_2\hat n_2^2+T_3\hat n_3^2)^2 TS2=T12n12+T22n22+T32n32(T1n^12+T2n^22+T3n^32)2

现在如果问: n ^ i \hat n_i n^i取什么值才能使得函数 T S 2 T_S^2 TS2等于最大最小值,这个问题等价于:
F ( n ^ ) = T S 2 − μ ( n ^ i n ^ i − 1 ) F(\hat n)=T_S^2-\mu(\hat n_i\hat n_i-1) F(n^)=TS2μ(n^in^i1)
其中, μ \mu μ是拉格朗日乘子,约束条件为 n ^ ⋅ n ^ = 1 \hat n \cdot \hat n = 1 n^n^=1,那么:
∂ F ( n ^ ) ∂ n j = 0 j ; ∂ F ( n ^ ) ∂ μ = 0 \frac{\partial F(\hat n)}{\partial n_j}=0_j; \quad \frac{\partial F(\hat n)}{\partial \mu}=0 njF(n^)=0j;μF(n^)=0

解以上方程组,得到:
在这里插入图片描述
那么,可能的解如下所示:
在这里插入图片描述

前三组解:提供了 T S T_S TS的最小值,为0,正好对应于主方向

(4), (5), (6)这三组解,所表示的平面如下图所示:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

T 1 , T 2 , T 3 T_1, T_2, T_3 T1,T2,T3进行排序,那么, T S T_S TS可以表示成 T I , T I I , T I I I T_I, T_{II}, T_{III} TI,TII,TIII的形式:
T S m a x = T I − T I I I 2 T_{Smax}=\frac{T_I-T_{III}}{2} TSmax=2TITIII

任意二阶张量的图像表示

如果给定一个二阶张量的笛卡尔分量,那么就可以列出在任意由法向量 n ^ \hat n n^ 定义的平面上的法向和切向分量 ( T N , T S ) (T_N, T_S) (TN,TS)

约束条件是: n ^ ⋅ n ^ = n ^ 1 2 + n ^ 2 2 + n ^ 3 2 = 1 \hat n \cdot \hat n = \hat n_1^2+\hat n_2^2+\hat n_3^2=1 n^n^=n^12+n^22+n^32=1

可以画出以 T N T_N TN为横坐标, T S T_S TS为纵坐标的图像

数值过程:
先随机列举几个不同的 n ^ \hat n n^,这样就可以得到不同的 ( T N , T S ) (T_N, T_S) (TN,TS),把点画在 T N × T S T_N \times T_S TN×TS的图像中

同样,可以建立一个由其对称部分构成的图像: T N s y m × T S s y m T_N^{sym} \times T_S^{sym} TNsym×TSsym

第一个例子:对称的正定张量 T N = n ^ ⋅ T ⋅ n ^ > 0 , f o r a l l n ^ ≠ 0 ⃗ T_N = \hat n \cdot T \cdot \hat n>0, \quad for \quad all \quad \hat n \neq \vec 0 TN=n^Tn^>0,foralln^=0

可以证明,有三个特征值对应的是 T S = 0 T_S = 0 TS=0

由下图可以看出, T N T_N TN的最大最小值对其对称部分的最大最小值
在这里插入图片描述
对于切向向量,可以得到以下分解:
T ⃗ S = [ s ^ ⋅ T ⋅ n ^ ] s ^ = [ s ^ ⋅ T s y m ⋅ n ^ + s ^ ⋅ T s k e w ⋅ n ^ ] s ^ \vec T_S = [\hat s \cdot T \cdot \hat n]\hat s=[\hat s \cdot T^{sym}\cdot \hat n+\hat s \cdot T^{skew}\cdot \hat n]\hat s T S=[s^Tn^]s^=[s^Tsymn^+s^Tskewn^]s^

n ^ \hat n n^ 是对称部分的其中的一个主方向时,有:
在这里插入图片描述
其中 s ^ ⋅ n ^ = 0 \hat s \cdot \hat n = 0 s^n^=0,因为单位向量 s ^ \hat s s^ n ^ \hat n n^是正交的

所以,切向分量如下所示:
在这里插入图片描述
以上公式仅适用于 n ^ \hat n n^ T s y m T^{sym} Tsym主方向的其中一个

对于特征值 T I s y m = 10.55 T_I^{sym}=10.55 TIsym=10.55,对应的特征向量 n ^ j ( 1 ) = [ − 0.4522937 ; − 0.561517458 ; 0.692913086 ] \hat n_j^{(1)}=[-0.4522937; -0.561517458; 0.692913086] n^j(1)=[0.4522937;0.561517458;0.692913086],有:
在这里插入图片描述
而对于特征值 T I I s y m = 3.61 T_{II}^{sym}=3.61 TIIsym=3.61, 有:
s在这里插入图片描述
对于特征值 T I I I s y m = 0.84 T_{III}^{sym}=0.84 TIIIsym=0.84, 有:
在这里插入图片描述
可以发现,T的最大和最小的法向分量对应的是 T s y m T^{sym} Tsym的特征值

例如, T N m a x = T I s y m = 10.55 T_{N_{max}}=T_I^{sym}=10.55 TNmax=TIsym=10.55, T N m i n = T I I I s y m = 0.84 T_{N_{min}}=T_{III}^{sym}=0.84 TNmin=TIIIsym=0.84

那么最大的切向分量等于圆的半径,即由 T I s y m = 10.55 T_I^{sym}=10.55 TIsym=10.55 T I I I s y m = 0.84 T_{III}^{sym}=0.84 TIIIsym=0.84构成的:
T S m a x s y m = 10.55 − 0.84 2 = 4.86 T_{S_{max}}^{sym}=\frac{10.55-0.84}{2}=4.86 TSmaxsym=210.550.84=4.86

第二个例子:

对称张量有两个相同的特征值,可以验证 ( T N , T S ) (T_N, T_S) (TN,TS)可取的值被限制在以半径 R = T I − T I I I 2 = 2.5 R = \frac{T_I-T_{III}}{2}=2.5 R=2TITIII=2.5, 以及圆中心为 ( T N = T I + T I I I 2 = 1.5 , T S = 0 ) (T_N=\frac{T_I+T_{III}}{2}=1.5, T_S=0) (TN=2TI+TIII=1.5,TS=0)上的圆

在这里插入图片描述

第三个例子:非对称张量

只有一个实数特征值,为 T I = − 0.964 T_I= -0.964 TI=0.964

在T的对称部分的主方向上,可以列出切向分量的值:

对于特征值 T I s y m = 9.894 T_{I}^{sym}=9.894 TIsym=9.894,有:
在这里插入图片描述
对于特征值 T I I I s y m = − 2.02 T_{III}^{sym}=-2.02 TIIIsym=2.02, 有:
在这里插入图片描述
在这里插入图片描述

对称二阶张量的图像表示(莫尔圆)

有:
T S 2 + T N 2 = t ⃗ ( n ^ ) ⋅ t ⃗ ( n ^ ) = ∣ ∣ t ⃗ ( n ^ ) ∣ ∣ 2 T_S^2+T_N^2=\vec t^{(\hat n)}\cdot \vec t^{(\hat n)}=||\vec t ^{(\hat n)}||^2 TS2+TN2=t (n^)t (n^)=∣∣t (n^)2

主空间的 t ⃗ ( n ^ ) = T ⋅ n ^ \vec t^{(\hat n)}=T \cdot \hat n t (n^)=Tn^的分量,由下给出:
在这里插入图片描述
在这里插入图片描述

那么点乘 t ⃗ ( n ^ ) ⋅ t ⃗ ( n ^ ) \vec t^{(\hat n)} \cdot \vec t^{(\hat n)} t (n^)t (n^), 如下所示:
在这里插入图片描述
那么:
T S 2 + T N 2 = T I 2 n ^ 1 2 + T I I 2 n ^ 2 2 + T I I I 2 n ^ 3 2 T_S^2+T_N^2 = T_I^2\hat n_1^2+T_{II}^2\hat n_2^2+T_{III}^2\hat n_3^2 TS2+TN2=TI2n^12+TII2n^22+TIII2n^32

那么,在主空间的法向分量 T N T_N TN,可以写成:
T N = t ⃗ ( n ^ ) ⋅ T = T i j n ^ i n ^ j = T I n ^ 1 2 + T I I n ^ 2 2 + T I I I n ^ 1 2 T_N = \vec t ^{(\hat n)} \cdot T=T_{ij}\hat n_i\hat n_j=T_I\hat n_1^2+T_{II}\hat n_2^2+T_{III}\hat n_1^2 TN=t (n^)T=Tijn^in^j=TIn^12+TIIn^22+TIIIn^12

考虑约束条件: n ^ i n ^ i = 1    ⟹    n ^ 1 2 = 1 − n ^ 2 2 − n ^ 3 2 \hat n_i \hat n_i=1 \implies \hat n_1^2 = 1-\hat n_2^2-\hat n_3^2 n^in^i=1n^12=1n^22n^32, 代入到上式,求出 n ^ 2 2 \hat n_2^2 n^22:
在这里插入图片描述
n ^ 1 2 = 1 − n ^ 2 2 − n ^ 3 2 \hat n_1^2 = 1-\hat n_2^2-\hat n_3^2 n^12=1n^22n^32代入公式:
T S 2 + T N 2 = T I 2 n ^ 1 2 + T I I 2 n ^ 2 2 + T I I I 2 n ^ 3 2 T_S^2+T_N^2 = T_I^2\hat n_1^2+T_{II}^2\hat n_2^2+T_{III}^2\hat n_3^2 TS2+TN2=TI2n^12+TII2n^22+TIII2n^32

可得:
在这里插入图片描述
再代入 n ^ 2 2 \hat n_2^2 n^22,得:
在这里插入图片描述
得到 n ^ 3 2 \hat n_3^2 n^32
在这里插入图片描述
所以,也可以用相似得方式求出 n ^ 1 2 \hat n_1^2 n^12 n ^ 2 2 \hat n_2^2 n^22, 如下所示:

在这里插入图片描述
T I > T I I > T I I I T_I > T_{II} > T_{III} TI>TII>TIII, (a)和©的分母都为正,那么分子也为正;(b)分母为负,那么分子也必须为负

例如:
在这里插入图片描述
经过代数变换:
在这里插入图片描述
以上的等式表示是圆

第一个圆

中心: ( 1 2 ( T I I + T I I I ) , 0 ) (\frac{1}{2}(T_{II}+T_{III}), 0) (21(TII+TIII),0)
半径: 1 2 ( T I I − T I I I ) \frac{1}{2}(T_{II}-T_{III}) 21(TIITIII)

第一个可行域是在圆 C 1 C_1 C1之外:在这里插入图片描述

第二个圆

中心: ( 1 2 ( T I + T I I I ) , 0 ) (\frac{1}{2}(T_{I}+T_{III}), 0) (21(TI+TIII),0)
半径: 1 2 ( T I − T I I I ) \frac{1}{2}(T_{I}-T_{III}) 21(TITIII)

第二个可行域是在圆 C 2 C_2 C2之内:在这里插入图片描述

第三个圆

中心: ( 1 2 ( T I + T I I ) , 0 ) (\frac{1}{2}(T_{I}+T_{II}), 0) (21(TI+TII),0)
半径: 1 2 ( T I − T I I ) \frac{1}{2}(T_{I}-T_{II}) 21(TITII)

第三个可行域是在圆 C 3 C_3 C3之外:在这里插入图片描述

所以,可行域如下所示:

在这里插入图片描述
在莫尔圆中,最大值 T S m a x T_{S_{max}} TSmax的解:
在这里插入图片描述

张量椭球

对称二阶张量T在主空间的特征值 ( T 1 , T 2 , T 3 ) (T_1, T_2, T_3) (T1,T2,T3) , 满足以下:
在这里插入图片描述
现在,在主空间定义一个曲面,这个曲面可以描述 n ^ \hat n n^ 的所有可能值得向量 t ⃗ ( n ^ ) \vec t ^{(\hat n)} t (n^)

由约束条件: n ^ 1 2 + n ^ 2 2 + n ^ 3 2 = 1 \hat n_1^2+ \hat n_2^2+\hat n_3^2=1 n^12+n^22+n^32=1, 有:
在这里插入图片描述
这个表示得是一个在T主空间得椭球。如下所示
在这里插入图片描述
椭球表面表示的是 t 1 , t 2 , t 3 t_1, t_2, t_3 t1,t2,t3的可能取值

当两个特征值相等,那么就会得到一个旋转的椭球

当三个特征值相等,那么得到一个球, 此时表现出这种性质的张量被称为球面张量,任意方向都是主方向

球面张量和偏张量的图像表示

八面体向量

八面体平面,又称作偏平面,在这个平面上的法向与主方向的夹角都相等

在这里插入图片描述
n ^ 1 = n ^ 2 = n ^ 3 \hat n_1=\hat n_2 = \hat n_3 n^1=n^2=n^3, 有: 3 n ^ 1 2 = 1 3\hat n_1^2=1 3n^12=1 , 所以:
n ^ i = [ 1 3 1 3 1 3 ] \hat n_i= [\frac{1}{\sqrt{3}} \quad \frac{1}{\sqrt{3}} \quad \frac{1}{\sqrt{3}}] n^i=[3 13 13 1]

二阶张量投影到一个八面体平面得到的向量,标记为八面体向量 t ⃗ ( n ^ ) \vec t ^{(\hat n)} t (n^), 可以分解为法向分量和切向分量,

定义法向八面体向量 T ⃗ N o c t \vec T_N^{oct} T Noct, 切向八面体向量 T ⃗ S o c t \vec T_S^{oct} T Soct

八面体向量可以表示成:
在这里插入图片描述
那么, T ⃗ N o c t \vec T_N^{oct} T Noct 的大小可以用 T ⃗ N o c t \vec T_N^{oct} T Noct投影到 n ^ \hat n n^来表示:
在这里插入图片描述
其中 T N o c t T_N^{oct} TNoct称为 八面体法向分量

那么,八面体切向分量 T S o c t T_S^{oct} TSoct,如下所示:
在这里插入图片描述
以上式子同样可以表示成:
在这里插入图片描述
或者表示偏张量:
在这里插入图片描述

总结:
在这里插入图片描述
八面体法向和切向分量是8个八面体平面:
在这里插入图片描述
在主空间表示点 P ( T 1 , T 2 , T 3 ) P(T_1, T_2, T_3) P(T1,T2,T3),如下所示:
在这里插入图片描述

任意与直线 O A ‾ \overline{OA} OA 垂直的平面是八面体的(偏的),并且经过原点的八面体平面为 Π \Pi Π, 最后,直线 O A ‾ \overline{OA} OA 被称为球轴(净水轴)

考虑一个偏平面穿过点P,标记为 Π ′ \Pi' Π, 定义三个向量 O P ⃗ , O A ⃗ , A P ⃗ \vec {OP}, \vec {OA}, \vec {AP} OP ,OA ,AP

O P ⃗ \vec {OP} OP 可以表示成T的主值:
O P ⃗ = T 1 e ^ 1 ′ + T 2 e ^ 2 ′ + T 3 e ^ 3 ′ \vec {OP} = T_1 \hat e_1'+T_2 \hat e_2'+T_3 \hat e_3' OP =T1e^1+T2e^2+T3e^3

根据上面的图像, O A ⃗ \vec {OA} OA 的大小表示为:
在这里插入图片描述

p = 3 T m = 3 T N o c t \boxed{p=\sqrt{3}T_m=\sqrt{3}T_N^{oct}} p=3 Tm=3 TNoct

因此,向量 O A ⃗ \vec {OA} OA 表示为:
在这里插入图片描述
那么就可以求出 A P ⃗ \vec {AP} AP :
A P ⃗ = O P ⃗ − O A ⃗ \vec {AP} = \vec {OP} - \vec {OA} AP =OP OA
由于:
O P ⃗ = T 1 e ^ 1 ′ + T 2 e ^ 2 ′ + T 3 e ^ 3 ′ \vec {OP} = T_1 \hat e_1'+T_2 \hat e_2'+T_3 \hat e_3' OP =T1e^1+T2e^2+T3e^3
所以,有:
在这里插入图片描述

利用定义 T i j d e v = T i j − T m δ i j T_{ij}^{dev} = T_{ij}-T_m \delta_{ij} Tijdev=TijTmδij,有:
在这里插入图片描述
AP的分量表示的是主值的偏部分 T i j d e v T_{ij}^{dev} Tijdev

A P ⃗ \vec {AP} AP 的大小为:
在这里插入图片描述
考虑 2 I I T d e v = − ( T 1 d e v ) 2 − ( T 2 d e v ) 2 − ( T 3 d e v ) 2 2II_{T^{dev}}=-(T_1^{dev})^2-(T_2^{dev})^2-(T_3^{dev})^2 2IITdev=(T1dev)2(T2dev)2(T3dev)2

有:
q = − 2 I I T d e v = 3 T S o c t \boxed{q = \sqrt{-2II_{T^{dev}}}=\sqrt{3}T_S^{oct}} q=2IITdev =3 TSoct

根据毕达哥拉斯定理,也可以得到:
在这里插入图片描述
q: 表示张量状态距离球面状态的距离

考虑将主空间投影到 Π \Pi Π 平面
在这里插入图片描述
单位向量 e ^ 1 ′ ′ = a 1 e ^ 1 ′ + a 2 e ^ 2 ′ + a 3 e ^ 3 ′ \hat e_1''=a_1 \hat e_1'+a_2 \hat e_2'+a_3 \hat e_3' e^1′′=a1e^1+a2e^2+a3e^3
其中: cos ⁡ β = sin ⁡ α = 2 3 = a 1 \cos \beta=\sin \alpha=\frac{\sqrt{2}}{\sqrt{3}}=a_1 cosβ=sinα=3 2 =a1, a 2 = a 3 a_2 = a_3 a2=a3
在这里插入图片描述

如果净水轴与偏平面是正交的,那么:
在这里插入图片描述

解得:
在这里插入图片描述
因此:
在这里插入图片描述

那么, O P ⃗ \vec {OP} OP e ^ 1 ′ ′ \hat e_1'' e^1′′ 的投影如下所示:
在这里插入图片描述
如果考虑 T 1 d e v + T 2 d e v + T 3 d e v = 0 T_1^{dev}+T_2^{dev}+T_3^{dev}=0 T1dev+T2dev+T3dev=0 , 那么 − T 1 d e v = T 2 d e v + T 3 d e v -T_1^{dev}=T_2^{dev}+T_3^{dev} T1dev=T2dev+T3dev, 则上式变为:
在这里插入图片描述

由于 q = − 2 I I T d e v q = \sqrt{-2II_{T^{dev}}} q=2IITdev , 有:
在这里插入图片描述
同样地,可以求出 T 2 d e v T_2^{dev} T2dev T 3 d e v T_3^{dev} T3dev

那么,可以将主值表示为, T i j = T m δ i j + T i j d e v T_{ij}=T_m\delta_{ij}+T_{ij}^{dev} Tij=Tmδij+Tijdev

在这里插入图片描述
其中 0 ≤ θ ≤ π / 3 0 \le \theta \le \pi / 3 0θπ/3

所以,张量可以表示成 ( p , q , θ ) (p, q, \theta ) (p,q,θ)

在这里插入图片描述
由于:
在这里插入图片描述
且有: cos ⁡ 3 θ = 4 cos ⁡ 3 θ − 3 cos ⁡ θ \cos 3\theta=4\cos^3 \theta -3\cos \theta cos3θ=4cos3θ3cosθ, 代入可得:
在这里插入图片描述
并且有: I I T d e v = ( T 1 d e v T 2 d e v + T 2 d e v T 3 d e v + T 1 d e v T 3 d e v ) II_{T^{dev}}=(T_1^{dev}T_2^{dev}+T_2^{dev}T_3^{dev}+T_1^{dev}T_3^{dev}) IITdev=(T1devT2dev+T2devT3dev+T1devT3dev)

那么:
在这里插入图片描述
由于 I I T d e v II_{T^{dev}} IITdev I I I T d e v III_{T^{dev}} IIITdev是不变量,所以 cos ⁡ 3 θ \cos 3\theta cos3θ也是不变量

参考教材:
Eduardo W.V. Chaves, Notes On Continuum Mechanics

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mfbz.cn/a/26410.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

2023年上半年系统规划与管理师上午真题及答案解析

1.香农用概率来定量描述信息的公式如下,其中H(x)表示X的( ),Pi是( )出现第i种状态的( )。 A.信息熵 事件 概率 B.总熵 单位 概率 C.信息熵 单位 概率 D.总熵 单位 度量 2.信息传输模型中,( )负责信息的向外传播,( )负责…

VSLAM视觉里程计总结

相机模型是理解视觉里程计之前的基础。视觉里程计(VIO)主要分为特征法和直接法。如果说特征点法关注的是像素的位置差,那么,直接法关注的则是像素的颜色差。特征点法通常会把图像抽象成特征点的集合,然后去缩小特征点之…

Android 应用快捷ShortcutManager与ShortcutManagerCompat详解与实战(二)

一、介绍 之前我已通过一篇文章介绍了应用快捷的接入与Demo。如果还未看过上一篇的文章可以先了解入门。 传送门:Android 应用快捷(shortcut)功能的详解(一)_蜗牛、Z的博客-CSDN博客 有创建自然就会有管理,否则一个完美的方案不应该这么被推荐出来。如何…

Zemax Lumerical | 二维光栅出瞳扩展系统优化(下)

简介 本文提出并演示了一种以二维光栅耦出的光瞳扩展(EPE)系统优化和公差分析的仿真方法。 在这个工作流程中,我们将使用3个软件进行不同的工作 ,以实现优化系统的大目标。首先,我们使用 Lumerical 构建光栅模型并使用…

数据库实验报告--安全性实验

一、 实验目的 (1)理解SQL Server验证用户身份的过程,掌握设置身份验证模式的方法。 (2)理解登录账号的概念,掌握混合认证模式下登录账号的建立与取消方法。 (3)掌握混合认证模式…

Centos7中mysql安装配置

前提:先关闭防火墙或开启tcp的3306端口 1、查看服务器上是否有现成的安装包 yum list mysql* 2、去mysql官网的yum资源库找到对应的rpm文件的下载链接 确定系统版本 cat /etc/redhat-release 到mysql官网复制对应版本的资源下载链接 MySQL :: Download MySQL Yum…

git Husky

虽然我们已经要求项目使用eslint了,但是不能保证组员提交代码之前都将eslint中的问题解决掉了: 也就是我们希望保证代码仓库中的代码都是符合eslint规范的; 那么我们需要在组员执行 git commit 命令的时候对其进行校验,如果不符合…

说说验证码功能的实现

前言 大家好,我是 god23bin,今天说说验证码功能的实现,相信大家都经常接触到验证码的,毕竟平时上网也能遇到各种验证码,需要我们输入验证码进行验证我们是人类,而不是机器人。 验证码有多种类型&#xff…

项目中使用es(一):使用springboot操作elasticsearch

使用springboot操作es 写在前面搭建项目环境和选择合适版本具体的代码实现(1)继承ProductInfoRepository具体的代码实现(2)使用ElasticsearchRestTemplate操作问题总结最后放个demo 写在前面 对于elasticsearch的搭建&#xff0c…

5款提高工作效率的无广告软件

今天推荐一些可以大幅度提升办公效率的小软件,安全无毒,下载简单,最重要的是没有广告! 1.照片处理——Darktable Darktable是一款用于处理和管理数码照片的工具。它可以让你对RAW格式的照片进行非破坏性的编辑,并提供多种模块和…

设计模式之~观察者模式

观察者模式又叫做发布-订阅(Publish/Subscribe)模式。 观察者模式observer:定义了一种一对多的依赖关系,让多个观察者对象同时监听某个主题对象。这个主题对象在状态发生变化时,会通知所有观察者对象,使他们…

Linux系统下imx6ull QT编程—— C++构造函数、析构函数、this指针(四)

Linux QT编程 文章目录 Linux QT编程一、什么是构造函数?二、什么是析构函数?三、示例四、this指针 一、什么是构造函数? 构造函数在对象实例化时被系统自动调用,仅且调用一次。前面我们学过类,实际上定义类时&#x…

【Spring】— 动态SQL :<if>元素

动态SQL &#xff1a;元素 在MyBatis中&#xff0c;<if>元素是常用的判断语句&#xff0c;主要用于实现某些简单的条件选择。在实际应用中&#xff0c;我们可能会通过多个条件来精确地查询某个数据。 【示例8-1】下面通过一个具体的案例来演示元素的使用。 &#xff0…

基于RPC协议的接口自动化测试可以用Python语言实现

基于RPC协议的接口自动化测试可以用Python语言实现。下面是实现步骤&#xff1a; 1、安装依赖库&#xff0c;如protobuf、grpc。 2、编写.proto文件定义接口参数和返回值。 3、使用protoc编译.proto文件生成Python代码。 4、编写客户端代码调用远程接口进行测试。 具体实现…

数据结构与算法练习(三)二叉树

文章目录 1、树2、二叉树3、满二叉树4、完全二叉树5、二叉树的遍历&#xff08;前序、中序、后序&#xff09;二叉树删除节点或树 6、顺序存储二叉树顺序存储二叉树遍历&#xff08;前序、中序、后序&#xff09; 7、线索化二叉树中序线索二叉树前序线索二叉树后序线索二叉树 1…

悲观锁、乐观锁、自旋锁

悲观锁、乐观锁、自旋锁 &#xff08;1&#xff09;乐观锁 乐观锁是一种乐观的思想&#xff0c;即认为读多写少&#xff0c;遇到并发的可能性低&#xff0c;每次拿数据时都认为别人不会修改&#xff0c;所以不会上锁&#xff0c;但是在更新的时候会判断一下在此期间别人有没有…

开源赋能 普惠未来|中软国际寄语 2023 开放原子全球开源峰会

中软国际作为行业领先的全球化软件与信息技术服务企业及数字化转型服务商&#xff0c;近年来积极布局开源生态&#xff08;OpenHarmony、openEuler&#xff09;、智能云、ERP、AIGC、教育科技、智能车六大赛道&#xff0c;加速业务转型创新。 中软国际为开放原子开源基金会白金…

力扣---二叉树OJ题(多种题型二叉树)

文章目录 前言&#x1f31f;一、剑指 Offer 55 - I. 二叉树的深度&#x1f30f;1.1 链接&#xff1a;&#x1f30f;1.2 代码一&#xff1a;&#x1f30f;1.3 代码二&#xff1a;&#x1f30f;1.4 流程图&#xff1a; &#x1f31f;二、100. 相同的树&#x1f30f;2.1 链接&…

【ChatGPT】ChatGPT快速生成短视频

1.chatGPT剪映 chatGPT生成文本后通过剪映图文成片 这次用了new bing&#xff1a;Chatbot AI 在线网页版 (atmob.cn) 打开剪映-图文成片 把new bing生成的文本粘贴过来&#xff0c;点击生成视频。 生成好了&#xff0c;是这样 剪映自动生成的&#xff0c;最后还是得手工改改&…

Linux4.4网页与安全优化

文章目录 计算机系统5G云计算第一章 LINUX Apache网页与安全优化一、网页压缩1.检查是否安装 mod_deflate 模块2.如果没有安装mod_deflate 模块&#xff0c;重新编译安装 Apache 添加 mod_deflate 模块3.配置 mod_deflate 模块启用4.检查安装情况&#xff0c;启动服务5.测试 mo…
最新文章